最近在折腾 AI 辅助创作的工作流时我一直被一个问题卡住AI 的记忆太“碎片化”了。每次新建会话模型就像失忆一样把我之前整理过的写作风格、术语表、项目背景忘得一干二净。后来我接触到 YoooClaw AI 记忆卡这个概念思路一下子打开了——与其让 AI 在云端“努力回忆”不如给 AI 一个物理入口把记忆固化下来需要时直接读取。这篇文章不是产品说明书而是围绕“AI 记忆卡”这个思路展开的实战教程先拆解 AI 记忆卡到底解决了什么问题然后带你从零搭建一个本地“AI 记忆层”原型最后把它接入日常创作流程实现跨会话的上下文复用。如果你也在用 AI 写文章、做方案、整理知识库这篇文章应该能帮你省下不少重复沟通的时间。1. 什么是 AI 记忆卡它解决了什么问题1.1 先理解 AI 创作的真正痛点用过 ChatGPT、Claude 或国内大模型产品的同学应该都有这种感觉单次对话里AI 表现得非常聪明但你一旦关闭对话、开启新会话它就把之前聊的内容全忘了。这在创作场景下特别致命。假设你今天让 AI 帮你起草了一篇技术教程你们一起确定了文章风格、术语规范、目标读者画像。第二天你想继续写第二篇结果 AI 完全不记得这些约定你又得把背景资料、写作要求、示例风格重新描述一遍。这种重复劳动不仅浪费时间还会让输出质量产生明显波动。因为每次重新描述时你可能会遗漏细节AI 理解的重点也可能偏移。我自己的体会是如果能把“对话历史”之外的关键背景固化下来AI 的稳定输出能力会提升一大截。1.2 AI 记忆卡的核心思路YoooClaw AI 记忆卡这个产品名听起来挺科幻但它的核心思路并不复杂把 AI 依赖的“上下文记忆”从云端会话中抽离出来存放到一个独立的、可携带的物理介质上。你可以把它理解成 AI 的“外置硬盘”或“随身笔记本”。AI 不再只靠当前对话框里的临时信息来回答而是可以从这个记忆卡中读取长期积累的偏好、资料、知识片段和创作规范。类比一下没有记忆卡的 AI像一个只有短期记忆的助手每次见面都像第一次。有记忆卡的 AI像一个带着工作日志的资深助理翻开笔记本就知道你的习惯。这个思路的价值在于它把“记忆”从模型内部转移到了模型外部。模型不需要重新训练也不需要记住所有历史对话只需要在需要的时候访问记忆卡就能快速进入状态。1.3 这个思路的适用场景基于这个原理AI 记忆卡相关方案可以应用在下面几类场景内容创作者的风格沉淀把文章语调、常用句式、标题风格、敏感词清单放进记忆卡不同文章都能保持一致风格。技术文档写作把项目架构说明、技术选型理由、术语表写进记忆卡AI 生成的内容更贴合项目实际。知识库问答把长期积累的笔记、资料摘要、结论放入记忆卡AI 回答问题时有据可依。跨设备工作流早上在公司电脑上整理的记忆晚上在家里的设备上继续使用不需要重新上传。换句话说AI 记忆卡本质上是“个人知识库 上下文管理”的一种硬件化、产品化表达。我们不一定需要真的买一块硬件完全可以自己用代码实现一套类似机制。2. 核心原理拆解记忆的写入、固化、检索与注入要自己实现一个 AI 记忆卡需要理解四个关键环节写入、固化、检索、注入。2.1 写入把对话压缩成记忆单元AI 对话过程中会产生大量信息但不是所有内容都值得记住。写入阶段要做两件事筛选从对话中提取关键结论、用户偏好、重要事实。结构化把提取出的内容整理成固定格式方便后续存储和检索。例如你和 AI 讨论“文章开头应该简洁有力不能铺垫太长”这就是一条值得写入的记忆。它属于“写作偏好”类别内容明确可以直接归档。2.2 固化从易失存储到持久存储对话窗口里的上下文是易失的关掉就没了。固化阶段要做的是把筛选后的记忆单元写入持久化介质比如本地 JSON 文件、SQLite 数据库、或者专门的向量数据库。这里的关键是记忆卡不能只是一个“垃圾桶”什么都往里塞。写入前要有分类和去重机制否则记忆越多检索越乱。2.3 检索从记忆库中找出相关内容当 AI 开始新一轮创作时它不可能把整张记忆卡都读一遍。我们需要根据当前任务从记忆库中找出最相关的记忆片段。常见的检索方式有三种关键词匹配适合精确查找比如按标签、标题检索。向量相似度检索适合语义匹配比如“帮我找找关于文章开头的写作建议”。混合检索先关键词过滤再向量排序兼顾精度和召回。在实际项目中如果没有条件部署向量数据库也可以先用关键词 标签的方式实现一个可用版本。2.4 注入把记忆拼接到提示词中检索到的记忆片段最终要注入到 AI 的提示词Prompt里才能发挥作用。注入方式有讲究直接把所有记忆塞进提示词会占用大量 token成本高且可能干扰模型判断。应该按优先级和相关性把最核心的几条记忆放在提示词靠前位置并显式告诉 AI 这些是“背景约定”。例如以下是用户长期记录的记忆片段请你在回答时遵守这些要求 1. 文章标题控制在 20 字以内尽量包含核心关键词。 2. 技术术语使用中文全称 英文缩写例如“生成式预训练 TransformerGPT”。 3. 语言风格保持简洁、专业避免口语化表达。3. 环境准备与项目结构3.1 环境说明接下来我们动手实现一个本地 AI 记忆卡原型。本文示例使用 Python 编写重点演示记忆的写入、检索和注入流程。版本方面建议使用 Python 3.9 以上版本你的实际环境可能略有差异但代码本身只依赖标准库不涉及第三方包所以可以很方便地迁移。操作系统不限Windows、macOS、Linux 都可以运行。如果你使用的是 Conda 或 venv可以先创建一个干净的虚拟环境python -m venv memory_card_env # Windows memory_card_env\Scripts\activate # macOS / Linux source memory_card_env/bin/activate3.2 项目结构我们创建一个名为memory_card_demo的目录结构如下memory_card_demo/ ├── memory_card.py # AI 记忆卡核心逻辑 ├── cli.py # 命令行交互入口 ├── memories.json # 记忆存储文件运行后自动生成 └── README.md # 使用说明可选这个结构很简单但已经足够演示完整流程。后面你可以在memory_card.py基础上扩展出分类管理、去重策略、向量检索等功能。4. 完整实战从零实现本地 AI 记忆卡4.1 定义记忆单元的数据结构首先我们要定义一条记忆长什么样。我建议至少包含以下字段id唯一标识用时间戳或 uuid 生成。category记忆类别如“写作偏好”“术语表”“项目背景”“知识片段”。content记忆正文。tags标签列表用于检索。created_at创建时间。source来源可选如“对话记录”“用户手动录入”。来看看代码示例。文件路径memory_card_demo/memory_card.pyimport json import uuid from datetime import datetime from pathlib import Path from typing import List, Dict, Optional class MemoryItem: 单条记忆的数据结构 def __init__( self, category: str, content: str, tags: Optional[List[str]] None, source: str manual, item_id: Optional[str] None, created_at: Optional[str] None, ): self.id item_id or uuid.uuid4().hex self.category category self.content content self.tags tags or [] self.source source self.created_at created_at or datetime.now().isoformat() def to_dict(self) - dict: return { id: self.id, category: self.category, content: self.content, tags: self.tags, source: self.source, created_at: self.created_at, } classmethod def from_dict(cls, data: dict) - MemoryItem: return cls( item_iddata[id], categorydata[category], contentdata[content], tagsdata.get(tags, []), sourcedata.get(source, manual), created_atdata.get(created_at), )这个类做的事情很简单定义字段、转换成字典、从字典恢复对象。你可能已经注意到from_dict是classmethod因为我们需要从 JSON 文件里读取记忆一次性还原成对象。4.2 实现记忆卡的增删改查接下来实现MemoryCard核心类。它会负责加载本地 JSON 文件中的记忆。添加新记忆。按标签或关键词检索记忆。删除记忆。保存记忆到文件。继续在memory_card.py中添加代码class MemoryCard: AI 记忆卡本地记忆的写入与检索 def __init__(self, storage_path: str memories.json): self.storage_path Path(storage_path) self.memories: List[MemoryItem] [] self._load() def _load(self): 启动时从本地文件加载记忆 if not self.storage_path.exists(): self.memories [] return try: data json.loads(self.storage_path.read_text(encodingutf-8)) self.memories [MemoryItem.from_dict(item) for item in data] except json.JSONDecodeError: print(警告记忆文件解析失败已初始化为空记忆库) self.memories [] def save(self): 将全部记忆写入本地文件实现持久化 payload [item.to_dict() for item in self.memories] self.storage_path.write_text( json.dumps(payload, ensure_asciiFalse, indent2), encodingutf-8, ) def add_memory( self, category: str, content: str, tags: Optional[List[str]] None, source: str manual, ) - str: 添加一条记忆返回记忆 ID item MemoryItem( categorycategory, contentcontent, tagstags, sourcesource, ) self.memories.append(item) self.save() return item.id def search(self, keyword: str, category: Optional[str] None) - List[MemoryItem]: 按关键词和分类检索记忆返回匹配结果 results [] for item in self.memories: if category and item.category ! category: continue if keyword.lower() in item.content.lower(): results.append(item) continue if any(keyword.lower() in tag.lower() for tag in item.tags): results.append(item) return results def list_by_category(self, category: str) - List[MemoryItem]: 按分类列出记忆 return [item for item in self.memories if item.category category] def delete_memory(self, item_id: str) - bool: 按 ID 删除记忆 before len(self.memories) self.memories [item for item in self.memories if item.id ! item_id] if len(self.memories) ! before: self.save() return True return False这段代码的逻辑非常直白但已经把“记忆卡”最核心的能力实现了持久化存储 关键词检索。你可能会问为什么只用了 JSON 而不是 SQLite因为对于个人创作场景记忆条目数量一般在几百到几千条JSON 文件完全够用而且方便查看和手工编辑。如果你的记忆量后来变得非常大可以平滑迁移到 SQLite 或向量数据库不需要改动上层检索逻辑。4.3 构建命令行走查工具光有核心类还不够我们要做一个命令行工具方便平时手动录入记忆、查询记忆。文件路径memory_card_demo/cli.pyimport argparse from memory_card import MemoryCard def main(): parser argparse.ArgumentParser(description本地 AI 记忆卡工具) subparsers parser.add_subparsers(destcommand) # 添加记忆 add_parser subparsers.add_parser(add, help添加一条记忆) add_parser.add_argument(category, help记忆类别例如 writing/topic/term) add_parser.add_argument(content, help记忆内容) add_parser.add_argument(--tags, nargs*, default[], help标签列表) add_parser.add_argument(--source, defaultcli, help来源) # 查询记忆 search_parser subparsers.add_parser(search, help搜索记忆) search_parser.add_argument(keyword, help关键词) search_parser.add_argument(--category, defaultNone, help按分类过滤) # 按分类列出 list_parser subparsers.add_parser(list, help按分类列出记忆) list_parser.add_argument(category, help分类名称) # 删除记忆 delete_parser subparsers.add_parser(delete, help删除记忆) delete_parser.add_argument(item_id, help记忆 ID) args parser.parse_args() card MemoryCard(memories.json) if args.command add: item_id card.add_memory( categoryargs.category, contentargs.content, tagsargs.tags, sourceargs.source, ) print(f已添加记忆ID{item_id}) elif args.command search: results card.search(args.keyword, categoryargs.category) if not results: print(未找到匹配记忆) return for item in results: print(f[{item.category}] {item.content} (tags: {, .join(item.tags)})) elif args.command list: results card.list_by_category(args.category) if not results: print(该分类下没有记忆) return for item in results: print(f- {item.content}) elif args.command delete: ok card.delete_memory(args.item_id) print(删除成功 if ok else 未找到对应 ID 的记忆) else: parser.print_help() if __name__ __main__: main()4.4 运行与验证在memory_card_demo目录下依次执行下面的命令添加一条写作偏好记忆python cli.py add writing 技术文章开头要直接切入主题不要写太多背景铺垫 --tags 写作风格 开头添加一条术语表记忆python cli.py add term RAG检索增强生成Retrieval-Augmented Generation --tags RAG 术语搜索包含“开头”的记忆python cli.py search 开头预期输出[writing] 技术文章开头要直接切入主题不要写太多背景铺垫 (tags: 写作风格, 开头)列出所有写作分类下的记忆python cli.py list writing预期输出- 技术文章开头要直接切入主题不要写太多背景铺垫打开memories.json可以看到类似下面的内容[ { id: 3f8a1c2e9b7d4f6a8c0e1b2d3f4a5b6c, category: writing, content: 技术文章开头要直接切入主题不要写太多背景铺垫, tags: [写作风格, 开头], source: cli, created_at: 2025-01-10T10:30:00.000000 } ]到这里一个能用的本地 AI 记忆卡原型就跑起来了。它支持添加、搜索、分类、删除、持久化功能虽然简单但已经覆盖了核心四环节中的“写入”“固化”“检索”。5. 把记忆注入 AI 创作流程5.1 设计提示词注入模板记忆卡里的数据只有注入到 Prompt 里才能对 AI 创作产生实际影响。这里需要一套“记忆注入模板”。我的做法是把检索到的记忆按类别拼接成一个固定格式的上下文块放到 Prompt 的开头或系统提示词System Prompt中。来看一个示例函数文件路径memory_card_demo/prompt_builder.pyfrom typing import List from memory_card import MemoryItem def build_context_block(memories: List[MemoryItem]) - str: 把检索到的记忆转换成可注入的上下文文本 lines [请你在回答时严格遵守以下用户记忆设定] for idx, item in enumerate(memories, start1): lines.append(f{idx}. [{item.category}] {item.content}) return \n.join(lines) def build_create_article_prompt( topic: str, memories: List[MemoryItem], ) - str: 构建一篇技术文章的创作提示词 context build_context_block(memories) prompt f{context} 请根据以下主题创作一篇技术教程 主题{topic} 写作要求 - 文章结构清晰使用 Markdown 标题组织。 - 代码示例需要标注语言类型。 - 如果记忆中有写作偏好请优先遵循。 return prompt这个函数的作用是把记忆卡中检索到的记忆片段组织成一段结构化的 Prompt 文本。当你准备让 AI 写文章时只需要先检索记忆卡再把结果交给build_create_article_prompt就能生成一个自带记忆的提示词。5.2 在创作前自动检索记忆实际使用的时候流程应该是这样确定本次创作任务例如“写一篇关于 RAG 的入门教程”。从记忆卡中检索相关记忆search(写作)、search(RAG)、search(术语)。合并去重后把记忆片段注入 Prompt。把完整 Prompt 发送给 AI。这里提供一个简单的集成示例文件路径memory_card_demo/generate_prompt.pyfrom memory_card import MemoryCard from prompt_builder import build_create_article_prompt def main(): card MemoryCard(memories.json) # 假设用户准备写一篇 RAG 主题的文章 topic RAG 入门实战从零搭建检索增强生成流程 # 检索相关记忆这里以关键词为例 memories [] memories.extend(card.search(写作)) memories.extend(card.search(RAG)) memories.extend(card.search(术语)) # 简单去重 seen set() unique_memories [] for item in memories: if item.id not in seen: seen.add(item.id) unique_memories.append(item) prompt build_create_article_prompt(topic, unique_memories) print( 完整 Prompt 预览 ) print(prompt) print() if __name__ __main__: main()运行后你会在控制台看到一段带有用户记忆设定的完整 Prompt。你可以把这段 Prompt 复制到任意 AI 对话工具中看看 AI 是否会遵循记忆中的写作偏好。5.3 与主流 AI 工具对接的思路如果你想更进一步地自动化可以考虑下面几种方案使用大模型 API把prompt作为messages中的用户消息或系统消息发送例如openai库或国内大模型 SDK。使用自动化工具通过浏览器自动化脚本把生成的 Prompt 自动粘贴到 AI 对话页面。使用快捷输入工具把 Prompt 保存为文本模板需要时一键插入。需要注意不同 AI 产品对 Prompt 的敏感度不一样记忆注入后可能需要微调措辞才能达到理想效果。如果你发现 AI 不遵守记忆设定可以把上下文块放在更靠前的位置或者显式强调“用户记忆优先级高于默认行为”。6. 常见问题与排查思路自己在实现和使用 AI 记忆卡的过程中难免会遇到一些问题。这里整理一份排查清单。问题现象常见原因解决思路添加记忆后文件没有更新未调用save()方法检查add_memory是否在末尾执行self.save()搜索不到已添加的记忆关键词与实际内容不一致尝试用更短的关键词或检查内容中是否存在中英文空格差异JSON 文件打开报错文件被手动编辑时误删逗号或引号用编辑器检查 JSON 格式或删除文件后重新添加记忆越存越多检索结果不准确缺少去重和分类管理增加分类约束添加前先执行去重判断注入 Prompt 后 AI 不遵守记忆记忆片段太多或优先级不明确减少注入数量把核心记忆放在 Prompt 最前方运行 CLI 时报ModuleNotFoundError当前目录不在 Python 路径中在项目目录下运行或用python -m cli方式启动还有一个容易被忽略的问题memories.json文件和脚本放在同一个目录下如果你在别的目录运行 CLI会找不到记忆文件。建议固定工作目录或者在代码中使用绝对路径。这个细节看起来小但在实际使用中非常影响体验。另外提醒一句如果后续你加入了向量检索或外部数据库务必保持数据备份习惯。记忆数据是长期积累的资产丢了就真没了。7. 最佳实践与工程建议7.1 记忆分类与命名规范不要把所有记忆都塞进一个“通用”分类。我建议至少划分以下类别writing写作偏好、风格约束、标题规范。term术语表、缩写解释。project项目背景、技术选型、架构说明。knowledge通用知识片段、结论摘录。person用户身份、目标读者画像。分类的好处主要有两个一是检索时可以直接按分类过滤减少噪声二是后续如果接入向量检索不同分类可以使用不同的检索策略。7.2 控制记忆条目的粒度每一条记忆尽量保持“一句话能说清”的粒度。太长的记忆既不利于检索也不利于 Prompt 注入。比如不太好的写法在写技术文章的时候用户喜欢开头简洁、中间用例子说明、最后收尾用总结而且标题一般不超过20个字还要包含关键词……推荐的写法标题控制在 20 字以内包含核心关键词。文章开头直接切入主题避免大段背景铺垫。正文中每个技术概念至少给出一个可运行示例。这样拆分以后每条记忆都能独立复用组合起来又覆盖完整。7.3 建立记忆审查机制不是所有对话内容都值得写入记忆卡。我建议在写入前问自己三个问题这条信息是否会反复使用它是否影响 AI 的输出质量它是否足够准确、不随时间快速变化如果你发现某条记忆已经过时或不再适用应该及时删除或更新。记忆卡里沉淀的应该是“长期有效”的信息而不是一次性聊天的流水账。7.4 安全与隐私边界AI 记忆卡存储的数据往往包含个人偏好、项目资料甚至未公开信息。这里有几个安全建议本地存储时注意文件权限不要把memories.json提交到公开代码仓库。如果同步到云端优先选择加密传输和加密存储。不要在记忆卡中写入密码、密钥、身份证号等敏感信息。如果多人协作不同角色应该使用独立的记忆库避免信息越权可见。7.5 从 JSON 到向量检索的演进当前原型使用关键词检索优点是简单、可控、零依赖。但当记忆量增长到数千条或者用户使用自然语言查询时关键词检索会显得不够聪明。一个平稳的演进路径是保留现有的 JSON 存储增加 embedding 字段。使用本地 embedding 模型如sentence-transformers对每条记忆生成向量。查询时对用户输入生成向量计算余弦相似度。结合关键词过滤实现混合检索。这个方向可以作为下一步的进阶学习目标。不要一开始就上重型的向量数据库先把现有机制用熟练再逐步升级。8. 总结与下一步实践这篇文章梳理了 AI 记忆卡的核心思路把 AI 的上下文从易失的对话窗口中解放出来通过写入、固化、检索、注入四个环节形成一套可复用的长期记忆机制。我们用一个不到 200 行的 Python 原型实现了本地记忆卡的基础能力包括命令行增删查改、JSON 持久化、关键词检索和 Prompt 注入模板。你已经掌握的内容包括AI 记忆卡解决的问题和适用场景。记忆写入、固化、检索、注入四个核心环节。用 Python 实现本地记忆存储与检索。把记忆片段注入到 AI 创作 Prompt 的方法。常见问题的排查思路和工程化建议。下一步你可以尝试的方向包括增加标签管理和记忆去重策略提高检索准确率。接入大模型 API实现“对话结束后自动提炼记忆”的半自动化流程。研究 embedding 模型和向量检索让记忆卡支持语义查询。做一个简单的 Web 界面方便在浏览器中管理记忆。如果你手头也有“AI 总是记不住”“每次都要重复背景信息”这类困扰不妨动手搭一个自己的本地记忆卡。最开始哪怕只是把写作偏好存成几条文本记录也能明显感受到 AI 输出的稳定性提升。等用顺手了再把记忆卡逐步扩展成完整的个人知识库。希望这篇文章能给你一个清晰的起点。 AI记忆卡实战：从本地存储到提示词注入，解决跨会话上下文复用
最近在折腾 AI 辅助创作的工作流时我一直被一个问题卡住AI 的记忆太“碎片化”了。每次新建会话模型就像失忆一样把我之前整理过的写作风格、术语表、项目背景忘得一干二净。后来我接触到 YoooClaw AI 记忆卡这个概念思路一下子打开了——与其让 AI 在云端“努力回忆”不如给 AI 一个物理入口把记忆固化下来需要时直接读取。这篇文章不是产品说明书而是围绕“AI 记忆卡”这个思路展开的实战教程先拆解 AI 记忆卡到底解决了什么问题然后带你从零搭建一个本地“AI 记忆层”原型最后把它接入日常创作流程实现跨会话的上下文复用。如果你也在用 AI 写文章、做方案、整理知识库这篇文章应该能帮你省下不少重复沟通的时间。1. 什么是 AI 记忆卡它解决了什么问题1.1 先理解 AI 创作的真正痛点用过 ChatGPT、Claude 或国内大模型产品的同学应该都有这种感觉单次对话里AI 表现得非常聪明但你一旦关闭对话、开启新会话它就把之前聊的内容全忘了。这在创作场景下特别致命。假设你今天让 AI 帮你起草了一篇技术教程你们一起确定了文章风格、术语规范、目标读者画像。第二天你想继续写第二篇结果 AI 完全不记得这些约定你又得把背景资料、写作要求、示例风格重新描述一遍。这种重复劳动不仅浪费时间还会让输出质量产生明显波动。因为每次重新描述时你可能会遗漏细节AI 理解的重点也可能偏移。我自己的体会是如果能把“对话历史”之外的关键背景固化下来AI 的稳定输出能力会提升一大截。1.2 AI 记忆卡的核心思路YoooClaw AI 记忆卡这个产品名听起来挺科幻但它的核心思路并不复杂把 AI 依赖的“上下文记忆”从云端会话中抽离出来存放到一个独立的、可携带的物理介质上。你可以把它理解成 AI 的“外置硬盘”或“随身笔记本”。AI 不再只靠当前对话框里的临时信息来回答而是可以从这个记忆卡中读取长期积累的偏好、资料、知识片段和创作规范。类比一下没有记忆卡的 AI像一个只有短期记忆的助手每次见面都像第一次。有记忆卡的 AI像一个带着工作日志的资深助理翻开笔记本就知道你的习惯。这个思路的价值在于它把“记忆”从模型内部转移到了模型外部。模型不需要重新训练也不需要记住所有历史对话只需要在需要的时候访问记忆卡就能快速进入状态。1.3 这个思路的适用场景基于这个原理AI 记忆卡相关方案可以应用在下面几类场景内容创作者的风格沉淀把文章语调、常用句式、标题风格、敏感词清单放进记忆卡不同文章都能保持一致风格。技术文档写作把项目架构说明、技术选型理由、术语表写进记忆卡AI 生成的内容更贴合项目实际。知识库问答把长期积累的笔记、资料摘要、结论放入记忆卡AI 回答问题时有据可依。跨设备工作流早上在公司电脑上整理的记忆晚上在家里的设备上继续使用不需要重新上传。换句话说AI 记忆卡本质上是“个人知识库 上下文管理”的一种硬件化、产品化表达。我们不一定需要真的买一块硬件完全可以自己用代码实现一套类似机制。2. 核心原理拆解记忆的写入、固化、检索与注入要自己实现一个 AI 记忆卡需要理解四个关键环节写入、固化、检索、注入。2.1 写入把对话压缩成记忆单元AI 对话过程中会产生大量信息但不是所有内容都值得记住。写入阶段要做两件事筛选从对话中提取关键结论、用户偏好、重要事实。结构化把提取出的内容整理成固定格式方便后续存储和检索。例如你和 AI 讨论“文章开头应该简洁有力不能铺垫太长”这就是一条值得写入的记忆。它属于“写作偏好”类别内容明确可以直接归档。2.2 固化从易失存储到持久存储对话窗口里的上下文是易失的关掉就没了。固化阶段要做的是把筛选后的记忆单元写入持久化介质比如本地 JSON 文件、SQLite 数据库、或者专门的向量数据库。这里的关键是记忆卡不能只是一个“垃圾桶”什么都往里塞。写入前要有分类和去重机制否则记忆越多检索越乱。2.3 检索从记忆库中找出相关内容当 AI 开始新一轮创作时它不可能把整张记忆卡都读一遍。我们需要根据当前任务从记忆库中找出最相关的记忆片段。常见的检索方式有三种关键词匹配适合精确查找比如按标签、标题检索。向量相似度检索适合语义匹配比如“帮我找找关于文章开头的写作建议”。混合检索先关键词过滤再向量排序兼顾精度和召回。在实际项目中如果没有条件部署向量数据库也可以先用关键词 标签的方式实现一个可用版本。2.4 注入把记忆拼接到提示词中检索到的记忆片段最终要注入到 AI 的提示词Prompt里才能发挥作用。注入方式有讲究直接把所有记忆塞进提示词会占用大量 token成本高且可能干扰模型判断。应该按优先级和相关性把最核心的几条记忆放在提示词靠前位置并显式告诉 AI 这些是“背景约定”。例如以下是用户长期记录的记忆片段请你在回答时遵守这些要求 1. 文章标题控制在 20 字以内尽量包含核心关键词。 2. 技术术语使用中文全称 英文缩写例如“生成式预训练 TransformerGPT”。 3. 语言风格保持简洁、专业避免口语化表达。3. 环境准备与项目结构3.1 环境说明接下来我们动手实现一个本地 AI 记忆卡原型。本文示例使用 Python 编写重点演示记忆的写入、检索和注入流程。版本方面建议使用 Python 3.9 以上版本你的实际环境可能略有差异但代码本身只依赖标准库不涉及第三方包所以可以很方便地迁移。操作系统不限Windows、macOS、Linux 都可以运行。如果你使用的是 Conda 或 venv可以先创建一个干净的虚拟环境python -m venv memory_card_env # Windows memory_card_env\Scripts\activate # macOS / Linux source memory_card_env/bin/activate3.2 项目结构我们创建一个名为memory_card_demo的目录结构如下memory_card_demo/ ├── memory_card.py # AI 记忆卡核心逻辑 ├── cli.py # 命令行交互入口 ├── memories.json # 记忆存储文件运行后自动生成 └── README.md # 使用说明可选这个结构很简单但已经足够演示完整流程。后面你可以在memory_card.py基础上扩展出分类管理、去重策略、向量检索等功能。4. 完整实战从零实现本地 AI 记忆卡4.1 定义记忆单元的数据结构首先我们要定义一条记忆长什么样。我建议至少包含以下字段id唯一标识用时间戳或 uuid 生成。category记忆类别如“写作偏好”“术语表”“项目背景”“知识片段”。content记忆正文。tags标签列表用于检索。created_at创建时间。source来源可选如“对话记录”“用户手动录入”。来看看代码示例。文件路径memory_card_demo/memory_card.pyimport json import uuid from datetime import datetime from pathlib import Path from typing import List, Dict, Optional class MemoryItem: 单条记忆的数据结构 def __init__( self, category: str, content: str, tags: Optional[List[str]] None, source: str manual, item_id: Optional[str] None, created_at: Optional[str] None, ): self.id item_id or uuid.uuid4().hex self.category category self.content content self.tags tags or [] self.source source self.created_at created_at or datetime.now().isoformat() def to_dict(self) - dict: return { id: self.id, category: self.category, content: self.content, tags: self.tags, source: self.source, created_at: self.created_at, } classmethod def from_dict(cls, data: dict) - MemoryItem: return cls( item_iddata[id], categorydata[category], contentdata[content], tagsdata.get(tags, []), sourcedata.get(source, manual), created_atdata.get(created_at), )这个类做的事情很简单定义字段、转换成字典、从字典恢复对象。你可能已经注意到from_dict是classmethod因为我们需要从 JSON 文件里读取记忆一次性还原成对象。4.2 实现记忆卡的增删改查接下来实现MemoryCard核心类。它会负责加载本地 JSON 文件中的记忆。添加新记忆。按标签或关键词检索记忆。删除记忆。保存记忆到文件。继续在memory_card.py中添加代码class MemoryCard: AI 记忆卡本地记忆的写入与检索 def __init__(self, storage_path: str memories.json): self.storage_path Path(storage_path) self.memories: List[MemoryItem] [] self._load() def _load(self): 启动时从本地文件加载记忆 if not self.storage_path.exists(): self.memories [] return try: data json.loads(self.storage_path.read_text(encodingutf-8)) self.memories [MemoryItem.from_dict(item) for item in data] except json.JSONDecodeError: print(警告记忆文件解析失败已初始化为空记忆库) self.memories [] def save(self): 将全部记忆写入本地文件实现持久化 payload [item.to_dict() for item in self.memories] self.storage_path.write_text( json.dumps(payload, ensure_asciiFalse, indent2), encodingutf-8, ) def add_memory( self, category: str, content: str, tags: Optional[List[str]] None, source: str manual, ) - str: 添加一条记忆返回记忆 ID item MemoryItem( categorycategory, contentcontent, tagstags, sourcesource, ) self.memories.append(item) self.save() return item.id def search(self, keyword: str, category: Optional[str] None) - List[MemoryItem]: 按关键词和分类检索记忆返回匹配结果 results [] for item in self.memories: if category and item.category ! category: continue if keyword.lower() in item.content.lower(): results.append(item) continue if any(keyword.lower() in tag.lower() for tag in item.tags): results.append(item) return results def list_by_category(self, category: str) - List[MemoryItem]: 按分类列出记忆 return [item for item in self.memories if item.category category] def delete_memory(self, item_id: str) - bool: 按 ID 删除记忆 before len(self.memories) self.memories [item for item in self.memories if item.id ! item_id] if len(self.memories) ! before: self.save() return True return False这段代码的逻辑非常直白但已经把“记忆卡”最核心的能力实现了持久化存储 关键词检索。你可能会问为什么只用了 JSON 而不是 SQLite因为对于个人创作场景记忆条目数量一般在几百到几千条JSON 文件完全够用而且方便查看和手工编辑。如果你的记忆量后来变得非常大可以平滑迁移到 SQLite 或向量数据库不需要改动上层检索逻辑。4.3 构建命令行走查工具光有核心类还不够我们要做一个命令行工具方便平时手动录入记忆、查询记忆。文件路径memory_card_demo/cli.pyimport argparse from memory_card import MemoryCard def main(): parser argparse.ArgumentParser(description本地 AI 记忆卡工具) subparsers parser.add_subparsers(destcommand) # 添加记忆 add_parser subparsers.add_parser(add, help添加一条记忆) add_parser.add_argument(category, help记忆类别例如 writing/topic/term) add_parser.add_argument(content, help记忆内容) add_parser.add_argument(--tags, nargs*, default[], help标签列表) add_parser.add_argument(--source, defaultcli, help来源) # 查询记忆 search_parser subparsers.add_parser(search, help搜索记忆) search_parser.add_argument(keyword, help关键词) search_parser.add_argument(--category, defaultNone, help按分类过滤) # 按分类列出 list_parser subparsers.add_parser(list, help按分类列出记忆) list_parser.add_argument(category, help分类名称) # 删除记忆 delete_parser subparsers.add_parser(delete, help删除记忆) delete_parser.add_argument(item_id, help记忆 ID) args parser.parse_args() card MemoryCard(memories.json) if args.command add: item_id card.add_memory( categoryargs.category, contentargs.content, tagsargs.tags, sourceargs.source, ) print(f已添加记忆ID{item_id}) elif args.command search: results card.search(args.keyword, categoryargs.category) if not results: print(未找到匹配记忆) return for item in results: print(f[{item.category}] {item.content} (tags: {, .join(item.tags)})) elif args.command list: results card.list_by_category(args.category) if not results: print(该分类下没有记忆) return for item in results: print(f- {item.content}) elif args.command delete: ok card.delete_memory(args.item_id) print(删除成功 if ok else 未找到对应 ID 的记忆) else: parser.print_help() if __name__ __main__: main()4.4 运行与验证在memory_card_demo目录下依次执行下面的命令添加一条写作偏好记忆python cli.py add writing 技术文章开头要直接切入主题不要写太多背景铺垫 --tags 写作风格 开头添加一条术语表记忆python cli.py add term RAG检索增强生成Retrieval-Augmented Generation --tags RAG 术语搜索包含“开头”的记忆python cli.py search 开头预期输出[writing] 技术文章开头要直接切入主题不要写太多背景铺垫 (tags: 写作风格, 开头)列出所有写作分类下的记忆python cli.py list writing预期输出- 技术文章开头要直接切入主题不要写太多背景铺垫打开memories.json可以看到类似下面的内容[ { id: 3f8a1c2e9b7d4f6a8c0e1b2d3f4a5b6c, category: writing, content: 技术文章开头要直接切入主题不要写太多背景铺垫, tags: [写作风格, 开头], source: cli, created_at: 2025-01-10T10:30:00.000000 } ]到这里一个能用的本地 AI 记忆卡原型就跑起来了。它支持添加、搜索、分类、删除、持久化功能虽然简单但已经覆盖了核心四环节中的“写入”“固化”“检索”。5. 把记忆注入 AI 创作流程5.1 设计提示词注入模板记忆卡里的数据只有注入到 Prompt 里才能对 AI 创作产生实际影响。这里需要一套“记忆注入模板”。我的做法是把检索到的记忆按类别拼接成一个固定格式的上下文块放到 Prompt 的开头或系统提示词System Prompt中。来看一个示例函数文件路径memory_card_demo/prompt_builder.pyfrom typing import List from memory_card import MemoryItem def build_context_block(memories: List[MemoryItem]) - str: 把检索到的记忆转换成可注入的上下文文本 lines [请你在回答时严格遵守以下用户记忆设定] for idx, item in enumerate(memories, start1): lines.append(f{idx}. [{item.category}] {item.content}) return \n.join(lines) def build_create_article_prompt( topic: str, memories: List[MemoryItem], ) - str: 构建一篇技术文章的创作提示词 context build_context_block(memories) prompt f{context} 请根据以下主题创作一篇技术教程 主题{topic} 写作要求 - 文章结构清晰使用 Markdown 标题组织。 - 代码示例需要标注语言类型。 - 如果记忆中有写作偏好请优先遵循。 return prompt这个函数的作用是把记忆卡中检索到的记忆片段组织成一段结构化的 Prompt 文本。当你准备让 AI 写文章时只需要先检索记忆卡再把结果交给build_create_article_prompt就能生成一个自带记忆的提示词。5.2 在创作前自动检索记忆实际使用的时候流程应该是这样确定本次创作任务例如“写一篇关于 RAG 的入门教程”。从记忆卡中检索相关记忆search(写作)、search(RAG)、search(术语)。合并去重后把记忆片段注入 Prompt。把完整 Prompt 发送给 AI。这里提供一个简单的集成示例文件路径memory_card_demo/generate_prompt.pyfrom memory_card import MemoryCard from prompt_builder import build_create_article_prompt def main(): card MemoryCard(memories.json) # 假设用户准备写一篇 RAG 主题的文章 topic RAG 入门实战从零搭建检索增强生成流程 # 检索相关记忆这里以关键词为例 memories [] memories.extend(card.search(写作)) memories.extend(card.search(RAG)) memories.extend(card.search(术语)) # 简单去重 seen set() unique_memories [] for item in memories: if item.id not in seen: seen.add(item.id) unique_memories.append(item) prompt build_create_article_prompt(topic, unique_memories) print( 完整 Prompt 预览 ) print(prompt) print() if __name__ __main__: main()运行后你会在控制台看到一段带有用户记忆设定的完整 Prompt。你可以把这段 Prompt 复制到任意 AI 对话工具中看看 AI 是否会遵循记忆中的写作偏好。5.3 与主流 AI 工具对接的思路如果你想更进一步地自动化可以考虑下面几种方案使用大模型 API把prompt作为messages中的用户消息或系统消息发送例如openai库或国内大模型 SDK。使用自动化工具通过浏览器自动化脚本把生成的 Prompt 自动粘贴到 AI 对话页面。使用快捷输入工具把 Prompt 保存为文本模板需要时一键插入。需要注意不同 AI 产品对 Prompt 的敏感度不一样记忆注入后可能需要微调措辞才能达到理想效果。如果你发现 AI 不遵守记忆设定可以把上下文块放在更靠前的位置或者显式强调“用户记忆优先级高于默认行为”。6. 常见问题与排查思路自己在实现和使用 AI 记忆卡的过程中难免会遇到一些问题。这里整理一份排查清单。问题现象常见原因解决思路添加记忆后文件没有更新未调用save()方法检查add_memory是否在末尾执行self.save()搜索不到已添加的记忆关键词与实际内容不一致尝试用更短的关键词或检查内容中是否存在中英文空格差异JSON 文件打开报错文件被手动编辑时误删逗号或引号用编辑器检查 JSON 格式或删除文件后重新添加记忆越存越多检索结果不准确缺少去重和分类管理增加分类约束添加前先执行去重判断注入 Prompt 后 AI 不遵守记忆记忆片段太多或优先级不明确减少注入数量把核心记忆放在 Prompt 最前方运行 CLI 时报ModuleNotFoundError当前目录不在 Python 路径中在项目目录下运行或用python -m cli方式启动还有一个容易被忽略的问题memories.json文件和脚本放在同一个目录下如果你在别的目录运行 CLI会找不到记忆文件。建议固定工作目录或者在代码中使用绝对路径。这个细节看起来小但在实际使用中非常影响体验。另外提醒一句如果后续你加入了向量检索或外部数据库务必保持数据备份习惯。记忆数据是长期积累的资产丢了就真没了。7. 最佳实践与工程建议7.1 记忆分类与命名规范不要把所有记忆都塞进一个“通用”分类。我建议至少划分以下类别writing写作偏好、风格约束、标题规范。term术语表、缩写解释。project项目背景、技术选型、架构说明。knowledge通用知识片段、结论摘录。person用户身份、目标读者画像。分类的好处主要有两个一是检索时可以直接按分类过滤减少噪声二是后续如果接入向量检索不同分类可以使用不同的检索策略。7.2 控制记忆条目的粒度每一条记忆尽量保持“一句话能说清”的粒度。太长的记忆既不利于检索也不利于 Prompt 注入。比如不太好的写法在写技术文章的时候用户喜欢开头简洁、中间用例子说明、最后收尾用总结而且标题一般不超过20个字还要包含关键词……推荐的写法标题控制在 20 字以内包含核心关键词。文章开头直接切入主题避免大段背景铺垫。正文中每个技术概念至少给出一个可运行示例。这样拆分以后每条记忆都能独立复用组合起来又覆盖完整。7.3 建立记忆审查机制不是所有对话内容都值得写入记忆卡。我建议在写入前问自己三个问题这条信息是否会反复使用它是否影响 AI 的输出质量它是否足够准确、不随时间快速变化如果你发现某条记忆已经过时或不再适用应该及时删除或更新。记忆卡里沉淀的应该是“长期有效”的信息而不是一次性聊天的流水账。7.4 安全与隐私边界AI 记忆卡存储的数据往往包含个人偏好、项目资料甚至未公开信息。这里有几个安全建议本地存储时注意文件权限不要把memories.json提交到公开代码仓库。如果同步到云端优先选择加密传输和加密存储。不要在记忆卡中写入密码、密钥、身份证号等敏感信息。如果多人协作不同角色应该使用独立的记忆库避免信息越权可见。7.5 从 JSON 到向量检索的演进当前原型使用关键词检索优点是简单、可控、零依赖。但当记忆量增长到数千条或者用户使用自然语言查询时关键词检索会显得不够聪明。一个平稳的演进路径是保留现有的 JSON 存储增加 embedding 字段。使用本地 embedding 模型如sentence-transformers对每条记忆生成向量。查询时对用户输入生成向量计算余弦相似度。结合关键词过滤实现混合检索。这个方向可以作为下一步的进阶学习目标。不要一开始就上重型的向量数据库先把现有机制用熟练再逐步升级。8. 总结与下一步实践这篇文章梳理了 AI 记忆卡的核心思路把 AI 的上下文从易失的对话窗口中解放出来通过写入、固化、检索、注入四个环节形成一套可复用的长期记忆机制。我们用一个不到 200 行的 Python 原型实现了本地记忆卡的基础能力包括命令行增删查改、JSON 持久化、关键词检索和 Prompt 注入模板。你已经掌握的内容包括AI 记忆卡解决的问题和适用场景。记忆写入、固化、检索、注入四个核心环节。用 Python 实现本地记忆存储与检索。把记忆片段注入到 AI 创作 Prompt 的方法。常见问题的排查思路和工程化建议。下一步你可以尝试的方向包括增加标签管理和记忆去重策略提高检索准确率。接入大模型 API实现“对话结束后自动提炼记忆”的半自动化流程。研究 embedding 模型和向量检索让记忆卡支持语义查询。做一个简单的 Web 界面方便在浏览器中管理记忆。如果你手头也有“AI 总是记不住”“每次都要重复背景信息”这类困扰不妨动手搭一个自己的本地记忆卡。最开始哪怕只是把写作偏好存成几条文本记录也能明显感受到 AI 输出的稳定性提升。等用顺手了再把记忆卡逐步扩展成完整的个人知识库。希望这篇文章能给你一个清晰的起点。